Orientador(es): LAURA DE OLIVEIRA FERNANDES MORAES
Área temática: INFORMÁTICA
Modalidade de apresentação: SESSÃO DE PÔSTER
Bolsa: IC/UNIRIO
O estudo investiga o uso de técnicas de inteligência artificial para prever o desempenho de estudantes em exercícios de programação e prescrever intervenções educativas automatizadas através de uma interface de chatbot. O objetivo é desenvolver mecanismos que não apenas antecipem se um aluno terá sucesso, mas também expliquem quais fatores influenciam seu desempenho e indiquem ações corretivas adequadas (Ramaswami, 2022). Os dados utilizados são provenientes de um ambiente virtual de aprendizagem (AVA), incluindo registros de tentativas, tempos e interações, e refletem diferentes naturezas (numéricos, categóricos e temporais). O projeto foi dividido em duas partes: (i) criação e teste do modelo de maneira offline (sem interação com o usuário) e (ii) interação em tempo real com o usuário através de um chatbot. Para a primeira parte, a pesquisa parte da hipótese de que arquiteturas ensemble (como o stacking) (WOLPERT, 1992) oferecem vantagens sobre abordagens que aplicam um único modelo diretamente ao conjunto de dados no contexto de previsão de desempenho e prescrição de intervenções. Na arquitetura proposta no presente trabalho, as respostas dadas por modelos especializados, cada um responsável por dados de natureza afim, são combinadas em um meta-modelo. A hipótese central postula que o Stacking potencializa tanto o poder preditivo quanto à capacidade interpretativa, já que cada modelo base contribui com insights específicos sobre diferentes aspectos da aprendizagem. Essa vantagem foi demonstrada em contexto educativo similar por Niyogisubizo et al. (2022), que propuseram um modelo de stacking de duas camadas combinando diversos modelos diferentes para prever evasão universitária, alcançando maior acurácia e capacidade generalizável em comparação com modelos isolados. A etapa metodológica inclui: (i) geração de dados sintéticos com grandes modelos de linguagem (LLMs), simulando cenários de interação enquanto os dados reais seguem em coleta; (ii) construção de base learners ajustados para cada natureza de dado; (iii) desenvolvimento de um meta-aprendizado combinador; e (iv) comparação com uma abordagem de referência baseada em um único modelo. A avaliação considera métricas preditivas tradicionais e análises de interpretabilidade para sustentar recomendações pedagógicas. Resultados preliminares com dados sintéticos mostram que o Stacking apresenta ganhos de desempenho e clareza interpretativa em relação à abordagem de referência. Entretanto, esses achados ainda são exploratórios e requerem validação com os dados reais da plataforma Machine Teaching (UFRJ) (Moraes et al., 2022). A pesquisa aponta, por fim, que a integração de ensembles interpretáveis e interfaces conversacionais pode viabilizar sistemas de tutoria automatizada mais precisos, capazes de prever, justificar e prescrever intervenções educativas com maior confiabilidade. A segunda parte da pesquisa ainda será projetada e desenvolvida.
NIYOGISUBIZO, J. et al. Predicting student's dropout in university classes using two-layer ensemble machine learning approach: a novel stacked generalization. Computers and Education: Artificial Intelligence, v. 3, 2022. DOI: https://doi.org/10.1016/j.caeai.2022.100066 MORAES, L. O. et al. Machine Teaching: uma ferramenta didática e de análise de dados para suporte a cursos introdutórios de programação. In: SIMPÓSIO BRASILEIRO DE EDUCAÇÃO EM COMPUTAÇÃO (EDUCOMP), 2., 2022, Online. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2022. DOI: https://doi.org/10.5753/educomp.2022.19216 RAMASWAMI, G.; SUSNJAK, T.; MATHRANI, A. Supporting students’ academic performance using explainable machine learning with automated prescriptive analytics. Big Data and Cognitive Computing, Basel, v. 6, n. 4, 2022. DOI: https://doi.org/10.3390/bdcc6040105 WOLPERT, D. H. Stacked Generalization. Neural Networks, v. 5, n. 2, p. 241–259, 1992. DOI: https://doi.org/10.1016/S0893-6080(05)80023-1